機械学習によるσプロファイルを記述子とした物性推算

アセトアミドのσプロファイルについて、量子化学計算と機械学習（GCN）による推算結果の比較が示されています。青線が量子化学計算、橙線が機械学習による結果であり、両者がよく一致していることから、GCNによる高速かつ高精度なσプロファイル推算が可能です。

XGBoostを用いたガラス転移温度（Tg）の予測結果が示されています。縦軸が予測値、横軸が実験値であり、トレーニングデータでR²=0.999、テストデータでR²=0.942と高い精度を示しています。これは、σプロファイルを記述子とした機械学習モデルの有効性を示す結果です。

UMAPによって次元削減されたσプロファイルのマッピング結果が示されています。各点は物質を表し、色はTgの値を示しています。X軸がTgに影響する特徴を表しており、σプロファイルの形状から分子の分極がTgに関与していることが読み取れます。